구조-상태 결합 학습을 통한 네트워크 진화 역사 추론

Inferring Network Evolutionary History via Structure-State Coupled Learning

단일 최종 스냅샷과 제한적인 시간 정보만을 이용하여 네트워크의 진화 역사를 추론하는 것은 매우 중요하지만 어려운 과제입니다. 기존 연구들은 주로 네트워크의 토폴로지 정보에 의존하는 경향이 있는데, 이는 종종 불충분하고 노이즈가 많은 정보를 제공합니다. 본 논문에서는 네트워크 진화 역사 추론을 위해, 특정 동적 과정 하에서 수렴된 노드 상태인 네트워크의 정상 상태 역학을 추가적인 관찰 자료로 활용합니다. 우리는 구조-상태 결합을 명시적으로 모델링하여 토폴로지가 정상 상태에 미치는 영향을 파악하고, 두 가지 정보가 함께 어떻게 에지(edge, 연결)를 구분하여 형성 순서 복원에 기여하는지를 분석하는 CS$^2$라는 새로운 방법을 제안합니다. 여섯 개의 실제 시계열 네트워크에 대한 실험 결과, 다양한 동적 과정 하에서 CS$^2$는 강력한 기준 모델들을 일관되게 능가했으며, 에지 쌍의 우선순위 정확도를 평균 4.0% 향상시키고, 전체적인 순서 일관성(Spearman-$ρ$)을 평균 7.7% 향상시켰습니다. 또한, CS$^2$는 클러스터 형성, 차수 이질성, 허브 성장과 같은 거시적인 진화 경로를 더욱 정확하게 복원했습니다. 더욱이, 정상 상태 정보만 사용하는 변형 모델조차도 신뢰할 수 있는 토폴로지 정보가 제한적인 경우에도 경쟁력을 유지하며, 정상 상태가 진화 추론을 위한 독립적인 신호임을 강조합니다.

Inferring a network's evolutionary history from a single final snapshot with limited temporal annotations is fundamental yet challenging. Existing approaches predominantly rely on topology alone, which often provides insufficient and noisy cues. This paper leverages network steady-state dynamics -- converged node states under a given dynamical process -- as an additional and widely accessible observation for network evolution history inference. We propose CS$^2$, which explicitly models structure-state coupling to capture how topology modulates steady states and how the two signals jointly improve edge discrimination for formation-order recovery. Experiments on six real temporal networks, evaluated under multiple dynamical processes, show that CS$^2$ consistently outperforms strong baselines, improving pairwise edge precedence accuracy by 4.0% on average and global ordering consistency (Spearman-$ρ$) by 7.7% on average. CS$^2$ also more faithfully recovers macroscopic evolution trajectories such as clustering formation, degree heterogeneity, and hub growth. Moreover, a steady-state-only variant remains competitive when reliable topology is limited, highlighting steady states as an independent signal for evolution inference.